轻量化在线适应时序基模型预测
机器学习
2025-07-31 v3 机器学习
摘要
基模型（Foundation Models, FMs）已被证明是时间序列预测的有前景的 method。尽管有效，但 Fms 通常在部署期间保持固定，因为在线学习它们的计算成本较高。因此，部署的 Fms 无法适应当前数据特征，尽管新到达的数据提供了在线反馈。这引出了一个问题：是否可以通过高效利用这一反馈来增强 FM 的性能？我们提出了 ELF 来回答这个问题。ELF 是一种用于响应在线反馈对 FM 预测进行在线适应的轻量机制。ELF 包含两个部分：a) ELF-Forecaster 用于学习当前数据分布；b) ELF-Weighter 用于组合 FM 和 ELF-Forecaster 的预测。我们在多个标准时间序列数据集上评估了 ELF 与几种最新 Fms 的性能。在所有实验中，我们发现使用 ELF 可提升性能。这一工作证明了如何高效利用在线反馈可用于提高 FM 预测。
引用
@article{arxiv.2502.12920,
title = {Lightweight Online Adaption for Time Series Foundation Model Forecasts},
author = {Thomas L. Lee and William Toner and Rajkarn Singh and Artjom Joosen and Martin Asenov},
journal= {arXiv preprint arXiv:2502.12920},
year = {2025}
}
备注
9 pages, Published at ICML 2025